AI+Drug 文献速递 | MutualDTA结合了大规模预训练模型和互注意力机制，显著提升了预测精度和可解释性

1. MutualDTA: An Interpretable Drug–Target Affinity Prediction Model Leveraging Pretrained Models and Mutual Attention

期刊：Journal of Chemical Information and Modeling

链接：https://doi.org/10.1021/acs.jcim.4c01893

简介：本文提出了一种名为MutualDTA的可解释药物-靶标亲和力预测模型，创新点在于结合了大规模预训练模型和互注意力机制，显著提升了预测精度和可解释性。方法上，MutualDTA利用预训练的分子模型Uni-Mol和蛋白质语言模型ESM-2获取药物和靶标的表示，并通过子结构感知的药物特征提取模块和Mamba架构的蛋白质特征提取模块进行特征提取，最后通过互注意力模块捕捉药物与靶标的相互作用位点。实验在Davis和KIBA两个基准数据集上进行，结果显示MutualDTA在12个先进模型中表现最佳，并在阿尔茨海默病相关蛋白质的药物筛选中验证了其可靠性。总体而言，MutualDTA在药物-靶标亲和力预测中表现出色，并提供了重要的可解释性支持。

2. Design of high-affinity binders to immune modulating receptors for cancer immunotherapy

期刊：Nature Communications

链接：https://doi.org/10.1038/s41467-025-57192-z

简介：本文开发了一种新型的螺旋凹面支架（5HCS），用于设计高亲和力的免疫调节受体结合蛋白，成功应用于TGFBRII、CTLA-4和PD-L1等癌症免疫治疗靶点，实现了纳摩尔至皮摩尔级的高亲和力。研究通过计算设计结合实验优化，利用酵母展示技术筛选和生物层干涉技术验证结合亲和力，并通过X射线晶体学验证了结合蛋白与受体复合物的结构。实验结果表明，设计的结合蛋白在细胞信号传导实验中表现出显著的生物活性，验证了其在下游治疗应用中的潜力。该研究为免疫治疗提供了新的蛋白质设计策略和工具。

3. phyddle: software for exploring phylogenetic models with deep learning

期刊：bioRxiv

链接：https://doi.org/10.1101/2024.08.06.606717

简介：本文介绍了phyddle，一种基于深度学习的系统发育模型探索软件，其创新点在于通过无似然方法解决了传统系统发育模型中似然函数难以处理的问题。phyddle采用五步流水线分析（模拟、格式化、训练、估计和绘图），利用模拟数据和神经网络进行系统发育建模任务。实验部分通过三个案例（BiSSE模型参数估计、连续性状进化模型选择和SIR迁移模型的系统动力学分析）验证了phyddle的准确性，结果表明phyddle在估计宏观进化参数、选择连续性状进化模型以及通过流行病学模型覆盖率测试方面表现优异。phyddle为研究人员提供了一种灵活且高效的工具，能够处理复杂的系统发育模型，并推动深度学习在系统发育学中的应用。

4. SensitiveCancerGPT: Leveraging Generative Large Language Model on Structured Omics Data to Optimize Drug Sensitivity Prediction

期刊：bioRxiv

链接：https://doi.org/10.1101/2025.02.27.640661

简介：本文提出了一种基于生成式大语言模型（GPT）的药物敏感性预测方法SensitiveCancerGPT，通过引入领域特定的提示工程，优化了GPT在结构化药物基因组数据上的性能。研究采用四种学习范式（零样本、少样本、微调和聚类预训练嵌入）评估GPT在多个公开药物基因组数据集（GDSC、CCLE、DrugComb、PRISM）上的表现，结果显示微调GPT在药物敏感性预测任务中表现最佳，F1分数提升了28%，显著优于现有基线模型。实验表明，GPT在跨组织泛化和盲测等真实场景中表现出色，特别是在CCLE和DrugComb数据集上分别实现了8%和19%的F1分数提升。研究证明了生成式大语言模型在精准肿瘤学中的潜力，为基于AI的个性化治疗提供了新方向。

5. Equivariant Hypergraph Diffusion for Crystal Structure Prediction

期刊：arXiv

链接：https://arxiv.org/abs/2501.18850

简介：本文提出了一种基于超图的等变超图扩散模型（EH-Diff），用于晶体结构预测（CSP），通过超图建模捕捉晶体中的高阶相互作用，解决了传统图模型无法全面表达晶体结构复杂性的问题。方法上，EH-Diff利用超图的对称性保持特性，设计了一个能够有效捕捉多原子相互作用并保持晶体结构对称性的生成模型。实验在四个基准数据集（Perov-5、Carbon-24、MP-20、MPTS-52）上进行，结果表明EH-Diff在仅使用一个样本的情况下，优于现有的CSP方法。总结来说，EH-Diff通过超图建模和等变扩散过程，显著提升了晶体结构预测的准确性和效率。

6. Deep learning approach to parameter optimization for physiological models

期刊：bioRxiv

链接：https://doi.org/10.1101/2025.02.25.639944

简介：本文提出了一种基于深度学习的生理模型参数优化方法，通过神经网络同时解决生物建模、参数化和参数推断问题，创新性地将卷积神经网络应用于生理数据的参数推断。该方法利用临床频繁采样静脉葡萄糖耐量测试（FSIGT）数据，生成大量模拟数据，并训练神经网络以模拟数据为输入、模型参数为输出，最终在测试数据集和优化模型拟合曲线上实现了高精度的参数推断和轨迹重建。实验结果表明，该方法在不同特征工程策略和训练数据集规模下均表现出高R2值和低p值，验证了其在生理系统参数推断中的有效性。该研究为生理模型的参数推断提供了一个可扩展的深度学习框架。